自变量发布跨模态具身动作分词器 X-Tokenizer，多模态对齐能力提升 13.5%，长程任务性能提升 8.25%

自变量机器人发布跨模态具身动作分词器 X-Tokenizer ，将 VLA 中的动作离散化从单一的“压缩-重建”问题，重新定义为“多模态推理与动作之间的语义接口学习”问题。 动作分词器决定了拆分出的动作 Token 是否具有语义，是否能加速预训练模型的收敛，从而最终影响了 VLA 模型输出连续动作的性能。这是自变量机器人的最新发现。 具身智能的 VLA 模型（视觉-语言-动作模型）是将预训练的 VLM 模型（视觉语言模型）与动作专家（Action Expert）连接起来，前者接收图像和语言指令，输出隐藏状态；后者则将隐藏状态转化为机器人可以执行的连续动作指令。但 两者的表示方法存在不匹配：VLM 模型输出离散表示，而机器人需要接收连续指令。 在预训练时，需要利用动作分词器（Action Tokenizer）来将连续动作拆分压缩为离散表示。 对此，自变量机器人提出一种新的轻量级、跨模态具身动作分词器 X-Tokenizer。 它采用“编码器-语义残差量化（SRQ）-解码器”架构，用 SRQ 替换了传统的标准残差向量量化（RVQ），在这一层分离出动作意图， 并在涵盖 17 个机械臂系列的 240 万条轨迹（包含 20 亿动作帧）上进行了预训练。 不同于 FAST、VQ-BeT 等以最小化重建误差为唯一目标的传统分词器，X-Tokenizer 在“编码器-语义残差量化（SRQ）-解码器”轻量架构之上， 对残差量化施加监督：第一层通过掩码动作建模（MAM）学习粗粒度动作意图，形成离散动作语言；更深层级则保留细粒度几何残差。 在此基础上，进一步引入与预训练 VLM 表征空间的对比对齐、以及未来帧视觉-语言特征预测两类跨模态监督信号，使动作 Token 在预训练阶段即与视觉、语言语义共享同一表示空间。 X-Tokeni